Пожалуйста, рассмотрите эти данные:
dt.m <- structure(list(id = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12), occasion = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("g1", "g2"), class = "factor"), g = c(12, 8, 22, 10, 10, 6, 8, 4, 14, 6, 2, 22, 12, 7, 24, 14, 8, 4, 5, 6, 14, 5, 5, 16)), .Names = c("id", "occasion", "g"), row.names = c(NA, -24L), class = "data.frame")
Мы подходим к простой модели компонентов дисперсии. В R имеем:
require(lme4)
fit.vc <- lmer( g ~ (1|id), data=dt.m )
Затем мы производим гусеничный участок:
rr1 <- ranef(fit.vc, postVar = TRUE)
dotplot(rr1, scales = list(x = list(relation = 'free')))[["id"]]
Теперь мы соответствуем той же модели в Stata. Сначала напишите в формат Stata из R:
require(foreign)
write.dta(dt.m, "dt.m.dta")
В стате
use "dt.m.dta"
xtmixed g || id:, reml variance
Вывод согласуется с выводом R (не показан), и мы пытаемся создать тот же график гусеницы:
predict u_plus_e, residuals
predict u, reffects
gen e = u_plus_e – u
predict u_se, reses
egen tag = tag(id)
sort u
gen u_rank = sum(tag)
serrbar u u_se u_rank if tag==1, scale(1.96) yline(0)
Clearty Stata использует стандартную ошибку, отличную от R. На самом деле Stata использует 2.13, тогда как R использует 1.32.
Из того, что я могу сказать, 1,32 в R исходит от
> sqrt(attr(ranef(fit.vc, postVar = TRUE)[[1]], "postVar")[1, , ])
[1] 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977
хотя я не могу сказать, что я действительно понимаю, что это делает. Может кто-нибудь объяснить?
И я понятия не имею, откуда взялся 2.13 от Stata, за исключением того, что если я изменю метод оценки на максимальную вероятность:
xtmixed g || id:, ml variance
.... тогда он, кажется, использует 1,32 в качестве стандартной ошибки и дает те же результаты, что и R ....
.... но тогда оценка для случайной дисперсии эффекта больше не согласуется с R (35,04 против 31,97).
Так что, похоже, что-то связано с ML против REML: если я запускаю REML в обеих системах, выходные данные модели согласуются, но стандартные ошибки, используемые на графиках гусеницы, не согласуются, тогда как если я запускаю REML в R и ML в Stata , гусеничные участки согласны, но модельные оценки - нет.
Кто-нибудь может объяснить, что происходит?
источник
[XT] xtmixed
и / или[XT] xtmixed postestimation
? Они ссылаются на Пинейро и Бейтса (2000), поэтому, по крайней мере, некоторые части математики должны быть одинаковыми.Ответы:
Согласно
[XT]
инструкции для Stata 11:Поскольку стандартные ошибки Stata ML соответствуют стандартным ошибкам из R в вашем примере, кажется, что R не учитывает неопределенность в оценке . Должно ли это быть, я не знаю.β
Исходя из вашего вопроса, вы пробовали REML в Stata и R, и ML в Stata с REML в R. Если вы попробуете ML в обоих, вы должны получить одинаковые результаты в обоих.
источник